ما بررسیهای ترجمه خود را روی 31,879 مورد از ترجمههای Django اجرا کردیم. نیمی از هشدارهای اولیه مربوط به خودمان بود.
زبانها
بررسیهای ترجمه ما روی ترجمههای ماشینی رشد کردند: آنچه مدل داخلی ما برای سایتهای خودمان مینویسد و وقتی یک placeholder، عدد یا نام غایب است، رد شده و دوباره درخواست میشود. افراد به شیوههای مختلفی ترجمه میکنند. برای دیدن اینکه بررسیها چه نتیجهای از این موضوع میگیرند، آنها را روی فایلهای .po که همراه با Django 5.2 ارائه میشوند، در 39 مورد از زبانهای ما که Django آنها را دارد، اجرا کردیم: 31,879 ورودی ترجمهشده.
اجرای اول
بررسیها 1,031 مورد را علامتگذاری کردند و حدود نیمی از این علامتها، خطای خودِ بررسیها بودند. مترجمان «URL»، «IPv4» و «%s KB» را در متون ژاپنی، تایلندی یا بلغاری بدون تغییر رها میکنند و اسکریپت بررسی ما آنها را بهعنوان متن انگلیسیِ باقیمانده تلقی میکرد. آنها PostgreSQL، JSON و True را درون یک جمله ترجمهشده نگه میدارند، 6 p.m. را بهصورت 18.00، 6 a.m. را بهصورت 06.00 و Feb. را بهصورت 2月 مینویسند و «%(value).1f» حتی بهعنوان یک جاینگهدار (placeholder) شناسایی نمیشد. اکنون هر یک از این موارد پذیرفته میشوند: نامها، کدها و مسیرهای کپیشده از منبع، علیه اسکریپت محسوب نمیشوند؛ نگهداشتن یک کلمه یا واحد بدون تغییر مجاز است؛ و زمانها، برچسبهای تقویمی، اعداد ترتیبی و کسرها که با رقم نوشته شدهاند، همان اعداد محسوب میشوند.
پس از اصلاحات، همان فایلها 475 ورودی علامتگذاریشده، یعنی 1.5%، میدهند، و روی 576,120 ترجمه صفحه که سایتهای خودمان آنها را میپذیرند، بررسیها همچنان هیچ هشدار کاذبی برنمیانگیزند.
آنچه واقعاً اشتباه بود
- سرصفحههای جمع که با ورودیهایشان همخوانی ندارند: فایلهای ادمین اسپانیایی، فرانسوی، ایتالیایی و پرتغالی در سرصفحه خود دو شکل جمع اعلام میکنند و در هر ورودی جمع سه شکل دارند، و فایل عبری چهار شکل اعلام میکند و سه شکل دارد. دستور GNU
msgfmt --checkروی مورد اسپانیایی با خطای مهلک متوقف میشود. مجموعاً 234 ورودی. - انگلیسیِ باقیمانده در متن: «content type» و «log entry» در تایلندی، «work factor» در یونانی، یک شکل جمع در بلغاری، مجموعاً 125 ورودی.
- یک حرف از یک خط دیگر: یک حرف تایلندی داخل کلمه خمری برای «روسی».
- قوانین جمعی که با CLDR متفاوت است: فایلهای ارمنی و پنجابی 0 را با شکل جمع قرار میدهند، فایل ترکی 0 را با شکل مفرد قرار میدهد، در حالی که CLDR برعکس آن را دارد.
آنچه یک فرد ممکن است همچنان بپذیرد
برخی از پرچمها مواردی هستند که بررسیها همچنان آنها را قضاوت میکنند. مترجمی که «Past 7 days» را به صورت «هفت روز گذشته» (به حروف) بنویسد، اشتباه نکرده است، اما برای ترجمههای ماشینی، تغییر یا حذف عدد دقیقاً همان چیزی است که این بررسی برای آن طراحی شده است؛ بنابراین سختگیرانه باقی میماند و میتوان آن را با --no-numbers غیرفعال کرد. اصطلاحی که تیم تصمیم گرفته آن را به انگلیسی نگه دارد، مانند «Flat Pages»، تا زمانی که با --keep تأیید نشود، علامتگذاری میشود.
تغییراتی که برای سایتهای ما ایجاد کرد
بررسیکنندهای که از سایتهای خودمان محافظت میکند، همان نقاط کور را برای اعداد داشت. با همان اصلاحات، 3,379 ترجمه را از لاگ رد شدههای خود میپذیرد؛ مانند «یک پنجم» به صورت 1/5 در کرهای و تاریخها با صفر پیشرو، و تمام ترجمههایی که قبلاً پذیرفته بود همچنان قبول میشوند. یک قانون را در این مسیر بیش از حد شل کردیم: نام روز هفته اکنون تنها در یک برچسب تقویمی کوتاه (مانند «Thursday» به صورت «Thứ 5» در ویتنامی) به عنوان عدد محسوب میشود، پس از آنکه یک خط اورومو در اندازهگیریهای ما، تاریخ اشتباهی را از کنار آن رد کرد.
محل قرارگیری
بررسیها در translation-checks رایگان هستند؛ این ابزار از نسخه 1.3 فایل .po را بهصورت مستقل بررسی میکند (شامل قانون Plural-Forms آن) و از نسخه 1.4 بهعنوان یک pre-commit hook روی فایلهای .po پروژه اجرا میشود؛ قوانین مربوط به 42 زبان در یادداشت gettext ما آمده است. Polyglot ترجمه را با مدل اختصاصی شما انجام میدهد و همان بررسیها را روی هر رشتهای که مینویسد، اجرا میکند.